論文の概要: Toward an Operational GNN-Based Multimesh Surrogate for Fast Flood Forecasting

• arxiv url: http://arxiv.org/abs/2604.02876v1
• Date: Fri, 03 Apr 2026 08:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.408249
• Title: Toward an Operational GNN-Based Multimesh Surrogate for Fast Flood Forecasting
• Title（参考訳）: 高速洪水予報のためのGNN型マルチメッシュサロゲートの実現に向けて
• Authors: Valentin Mercier, Serge Gratton, Lapeyre Corentin, Gwenaël Chevallet,
• Abstract要約: 我々は、Tt川下流(フランス)で、合成だが運用上は接地した洪水の学習可能なデータベースを構築した。 我々は、投影メッシュとマルチメッシュ接続に基づくグラフニューラルサロゲートを開発する。 この境界駆動設定において、$Q(t)$の条件付けが不可欠であることを示す。
• 参考スコア（独自算出の注目度）: 0.5833117322405447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Operational flood forecasting still relies on high-fidelity two-dimensional hydraulic solvers, but their runtime can be prohibitive for rapid decision support on large urban floodplains. In parallel, AI-based surrogate models have shown strong potential in several areas of computational physics for accelerating otherwise expensive high-fidelity simulations. We address this issue on the lower Têt River (France), starting from a production-grade Telemac2D model defined on a high-resolution unstructured finite-element mesh with more than $4\times 10^5$ nodes. From this setup, we build a learning-ready database of synthetic but operationally grounded flood events covering several representative hydrograph families and peak discharges. On top of this database, we develop a graph-neural surrogate based on projected meshes and multimesh connectivity. The projected-mesh strategy keeps training tractable while preserving high-fidelity supervision from the original Telemac simulations, and the multimesh construction enlarges the effective spatial receptive field without increasing network depth. We further study the effect of an explicit discharge feature $Q(t)$ and of pushforward training for long autoregressive rollouts. The experiments show that conditioning on $Q(t)$ is essential in this boundary-driven setting, that multimesh connectivity brings additional gains once the model is properly conditioned, and that pushforward further improves rollout stability. Among the tested configurations, the combination of $Q(t)$, multimesh connectivity, and pushforward provides the best overall results. These gains are observed both on hydraulic variables over the surrogate mesh and on inundation maps interpolated onto a common $25\,\mathrm{m}$ regular grid and compared against the original high-resolution Telemac solution. On the studied case, the learned surrogate produces 6-hour predictions in about $0.4\,\mathrm{s}$ on a single NVIDIA A100 GPU, compared with about $180\,\mathrm{min}$ on 56 CPU cores for the reference simulation. These results support graph-based surrogates as practical complements to industrial hydraulic solvers for operational flood mapping.
• Abstract（参考訳）: 洪水予測は依然として高忠実度2次元水圧解法に頼っているが、大都市洪水原の迅速な決定支援は禁止される。 並行して、AIベースのサロゲートモデルは、他の高価な高忠実度シミュレーションを加速するための計算物理学のいくつかの分野において、強いポテンシャルを示している。 この問題は,高分解能な非構造有限要素メッシュ上に定義され,10^5$ノードが4\times 10^5$ノードを超えるTelemac2Dモデルから始まる,下流のテット川(フランス)で解決される。 この設定から,いくつかの代表的ヒドログラフファミリーとピーク放電を含む,合成だが運用上は接地した洪水イベントの学習可能なデータベースを構築した。 このデータベース上に,投影メッシュとマルチメッシュ接続に基づくグラフニューラルサロゲートを開発する。 プロジェクテッド・メッシュ・ストラテジーは、元のテレマックシミュレーションから高忠実度を保ちながら訓練を継続し、マルチメッシュ・コンストラクションは、ネットワーク深度を増大させることなく、効果的な空間受容場を拡大する。 さらに, 長期自己回帰型ロールアウトにおける明示的放電機能$Q(t)$およびプッシュフォワードトレーニングの効果について検討した。 実験により、この境界駆動の環境では$Q(t)$の条件付けが不可欠であり、モデルが適切に条件付けされると、マルチメッシュ接続がさらなる利得をもたらし、さらにロールアウト安定性が向上することが示されている。 テストされた構成のうち、$Q(t)$とmultimesh接続、pushforwardの組み合わせは、最高の全体的な結果を提供する。 これらの利得は、サロゲートメッシュ上の油圧変数と、一般的な25,\mathrm{m}$正規格子に補間された浸水マップの両方で観測され、元の高分解能テレマック溶液と比較される。 学習したサロゲートは1つのNVIDIA A100 GPU上で約0.4\,\mathrm{s}$で6時間予測を生成するが、参照シミュレーションでは約180\,\mathrm{min}$で約56CPUコアで約180\,\mathrm{min}$である。 これらの結果は, 産業用油圧解決器の実用的補完として, グラフベースのサロゲートを支援している。

関連論文リスト

• HydroGAT: Distributed Heterogeneous Graph Attention Transformer for Spatiotemporal Flood Prediction [7.643667076993224]
  グラフネットワーク(GNN)は、水文的なルーティングを学ぶのに理想的な川網に沿って情報を伝播する。 そこで本研究では,各地と河川のピクセルが,物理的水文・流域間関係によって接続されたノードである異種盆地グラフを提案する。 本稿では,局所的時間的重要性と最も影響力のある上流地を適応的に学習する時間的ネットワークであるHydroGATを提案する。
  論文  参考訳（メタデータ） (2025-09-02T16:31:40Z)
• Efficient dataset construction using active learning and uncertainty-aware neural networks for plasma turbulent transport surrogate models [0.0]
  本研究は,不確実性を考慮したアーキテクチャを用いてモデル生成のための効率的なデータセットを構築するための実証実験である。 この戦略はトカマク核融合プラズマ中のプラズマ乱流輸送問題、特にQuaLiKiz準静電ジャイロキネティック乱流輸送符号に再び適用された。 45回のアクティブな学習イテレーションで、102ドルの小さな初期トレーニングセットから104ドルの最終セットに移行し、結果のモデルは0.8のF_1ドルの分類パフォーマンス、独立したテストセットで0.75ドルの回帰パフォーマンスに達した。
  論文  参考訳（メタデータ） (2025-07-21T18:15:12Z)
• Scaling Up Liquid-Resistance Liquid-Capacitance Networks for Efficient Sequence Modeling [50.994194925685434]
  LrcSSMは$textitnon-linear$リカレントモデルで、現在の線形状態空間層と同じくらい高速に長いシーケンスを処理する。 ヤコビ行列を対角線に強制することにより、全列を並列に解くことができる。 LrcSSMは、Liquid-S4のような他の入力変化系が提供しないことを保証する形式的な勾配安定性を提供する。
  論文  参考訳（メタデータ） (2025-05-27T20:02:59Z)
• Transolver++: An Accurate Neural Solver for PDEs on Million-Scale Geometries [67.63077028746191]
  Transolver++は、百万のスケールでPDEを解くことができる、非常に並列で効率的なニューラルソルバである。 Transolver++は、シングルGPU入力能力を初めて100万ポイントに拡張する。 数百万スケールの高忠実度産業シミュレーションで20%以上の性能向上を実現している。
  論文  参考訳（メタデータ） (2025-02-04T15:33:50Z)
• $\textit{FastSVD-ML-ROM}$: A Reduced-Order Modeling Framework based on Machine Learning for Real-Time Applications [0.0]
  高忠実度数値シミュレーションは工学設計のバックボーンを構成する。 高忠実度解を近似するために、低次モデル (ROM) を用いる。 本研究は,ROM開発のための機械学習(ML)プラットフォームを提案する。
  論文  参考訳（メタデータ） (2022-07-24T23:11:07Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Multi-fidelity power flow solver [0.0]
  提案モデルでは、直流近似を低忠実度データとしてトレーニングした第1のネットワークと、低忠実度と高忠実度の両方の電力フローデータでトレーニングした第2のネットワークで構成されている。 14-および118-busのテストケースで実験を行い、不均衡な並行性データと高-低忠実度サンプル比に対して、n-k$の電力流量予測精度に基づいて性能評価を行った。
  論文  参考訳（メタデータ） (2022-05-26T13:43:26Z)
• Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
  我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。 ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
  論文  参考訳（メタデータ） (2020-07-08T21:23:19Z)
• Multi-fidelity Generative Deep Learning Turbulent Flows [0.0]
  計算流体力学では、精度と計算コストの間に必然的なトレードオフがある。 本研究では,高忠実度乱流場の代理モデルとして,新しい多自由度深部生成モデルを提案する。 結果として生じるサロゲートは、物理的に正確な乱流実現を、高忠実度シミュレーションのそれよりも低い計算コストで生成することができる。
  論文  参考訳（メタデータ） (2020-06-08T16:37:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。